UNIVERSIDADE EDUARDO MONDLANE

FACULDADE DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELECTROTÉCNICA

Inteligência Artificial
Agentes Inteligentes

Docentes: Eng Roxan Cadir

Eng Ruben Manhiça

Maputo, 14 de novembro de 2021

 Conteúdo da Aula
1. Agentes Inteligentes

11/14/2021 Notas da aula de Inteligencia Artificial 1 2

 Agentes Inteligentes

Capítulo 2 – Russell & Norvig

11/14/2021 Notas da aula de Inteligencia Artificial 1 3

 Agentes

• Um agente é algo capaz de perceber seu ambiente por

meio de sensores e de agir sobre esse ambiente por meio
de actuadores.

11/14/2021 Notas da aula de Inteligencia Artificial 1 4

 Exemplos

• Agente humano
– Sensores: Olhos, ouvidos e outros órgãos.
– Actuadores: Mãos, pernas, boca e outras partes do
corpo.
• Agente robótico
– Sensores: câmeras e detectores de infravermelho.
– Actuadores: vários motores.
• Agente de software
– Sensores: entrada do teclado, conteúdo de arquivos e
pacotes vindos da rede.
– Actuadores: tela, disco, envio de pacotes pela rede.

11/14/2021 Notas da aula de Inteligencia Artificial 1 5

 Mapeando percepções em acções

• Sequência de percepções: história completa de

tudo que o agente percebeu.
• O comportamento do agente é dado
abstratamente pela função do agente:
[f: P* → A]
onde é a P* é uma sequência de percepções e A é
uma acção.
• O programa do agente corre em uma arquitetura
física para produzir f.
• Agente = arquitetura + programa.

11/14/2021 Notas da aula de Inteligencia Artificial 1 6

 Exemplo:
O mundo do aspirador de pó

• Percepções: local e conteúdo

– Exemplo: [A, sujo]
• Acções: Esquerda, Direita, Aspirar, NoOp

Notas da aula de Inteligencia Artificial 1

11/14/2021 7
 Uma função para o agente aspirador de pó
Sequência de Percepções Acção
[A, Limpo] Direita
[A, Sujo] Aspirar
[B, Limpo] Esquerda
[B, Sujo] Aspirar
[A, Limpo], [A, Limpo] Direita
[A, Limpo], [A, Sujo] Aspirar
...
[A, Limpo], [A, Limpo], [A, Limpo] Direita
[A, Limpo], [A, Limpo], [A, Sujo] Aspirar
...
Programa: Se o quadrado actual estiver
sujo, então aspirar, caso contrário mover
para o outro lado.
11/14/2021 Notas da aula de Inteligencia Artificial 1 8
 Agentes Racionais

• Como preencher correctamente a tabela de

acções do agente para cada situação?
• O agente deve tomar a acção “correta” baseado
no que ele percebe para ter sucesso.
– O conceito de sucesso do agente depende uma
medida de desempenho objetiva.
• Exemplos: quantidade de sujidade aspirada, gasto de energia,
gasto de tempo, quantidade de barulho gerado, etc.
– A medida de desempenho deve refletir o resultado
realmente desejado.

11/14/2021 Notas da aula de Inteligencia Artificial 1 9

 Agentes Racionais

• Agente racional: para cada sequência de percepções

possíveis deve selecionar uma acção que se espera venha
a maximizar sua medida de desempenho, dada a
evidência fornecida pela sequência de percepções e por
qualquer conhecimento interno do agente.
– Exercício: para que medida de desempenho o agente aspirador de
pó é racional?

11/14/2021 Notas da aula de Inteligencia Artificial 1 10

 Agentes Racionais
• Racionalidade é diferente de perfeição.
– A racionalidade maximiza o desempenho esperado, enquanto a
perfeição maximiza o desempenho real.
– A escolha racional só depende das percepções até o momento.
• Mas os agentes podem (e devem!) executar acções para
recolha de informações.
– Um tipo importante de recolha de informação é a exploração de
um ambiente desconhecido.
• O agente também pode (e deve!) aprender, ou seja,
modificar seu comportamento dependendo do que ele
percebe ao longo do tempo.
– Nesse caso o agente é chamado de autônomo.
– Um agente que aprende pode ter sucesso em uma ampla
variedade de ambientes.

11/14/2021 Notas da aula de Inteligencia Artificial 1 11

 PEAS

• Ao projetar um agente, a primeira etapa deve ser sempre

especificar o ambiente de tarefa.
– Performance = Medida de Desempenho
– Environment = Ambiente
– Actuators = Atuadores
– Sensors = Sensores

11/14/2021 Notas da aula de Inteligencia Artificial 1 12

 Exemplo de PEAS:
Motorista de Táxi Automatizado
• Medida de desempenho: viagem segura, rápida, sem
violações às leis de trânsito, confortável para os
passageiros, maximizando os lucros.
• Ambiente: ruas, estradas, outros veículos, pedestres,
clientes.
• Actuadores: direção, acelerador, travão, embreagem,
marcha, seta, buzina.
• Sensores: câmera, sonar, velocímetro, GPS, hodômetro,
acelerômetro, sensores do motor, teclado ou microfone.

11/14/2021 Notas da aula de Inteligencia Artificial 1 13

 Exemplo de PEAS:
Sistema de Diagnóstico Médico
• Medida de desempenho: paciente saudável, minimizar
custos, processos judiciais.
• Ambiente: paciente, hospital, equipe.
• Actuadores: exibir na tela perguntas, testes, diagnósticos,
tratamentos.
• Sensores: entrada pelo teclado para sintomas,
descobertas, respostas do paciente.

11/14/2021 Notas da aula de Inteligencia Artificial 1 14

 Exemplo de PEAS:
Robô de selecção de peças
• Medida de desempenho: percentagem de peças em
bandejas corretas.
• Ambiente: correia transportadora com peças; bandejas.
• Actuadores: braço e mão articulados.
• Sensores: câmera, sensores angulares articulados.

11/14/2021 Notas da aula de Inteligencia Artificial 1 15

 Exemplo de PEAS:
Instrutor de Inglês Interativo
• Medida de desempenho: maximizar nota de aluno em
teste.
• Ambiente: conjunto de alunos.
• Actuadores: exibir exercícios, sugestões, correções.
• Sensores: entrada pelo teclado.

11/14/2021 Notas da aula de Inteligencia Artificial 1 16

 Propriedades de
ambientes de tarefa
• Completamente observável (versus parcialmente
observável)
– Os sensores do agente dão acesso ao estado completo do
ambiente em cada instante.
– Todos os aspectos relevantes do ambiente são acessíveis.
• Determinístico (versus estocástico)
– O próximo estado do ambiente é completamente determinado
pelo estado actual e pela acção executada pelo agente.
– Se o ambiente é determinístico excepto pelas acções de outros
agentes, dizemos que o ambiente é estratégico.

11/14/2021 Notas da aula de Inteligencia Artificial 1 17

 Propriedades de
ambientes de tarefa
• Episódico (versus sequencial)
– A experiência do agente pode ser dividida em episódios
(percepção e execução de uma única ação).
– A escolha da acção em cada episódio só depende do próprio
episódio.
• Estático (versus dinâmico)
– O ambiente não muda enquanto o agente pensa.
– O ambiente é semidinâmico se ele não muda com a passagem do
tempo, mas o nível de desempenho do agente se altera.

11/14/2021 Notas da aula de Inteligencia Artificial 1 18

 Propriedades de
ambientes de tarefa
• Discreto (versus contínuo)
– Um número limitado e claramente definido de percepções e
acções.
• Agente único (versus multi-agente)
– Um único agente operando sozinho no ambiente.
– No caso multi-agente podemos ter
• Multi-agente cooperativo
• Multi-agente competitivo

11/14/2021 Notas da aula de Inteligencia Artificial 1 19

 Exemplo
Xadrez com Xadrez sem Direção de
relógio relógio Táxi
Completamente observável Sim Sim Não
Determinístico Sim Sim Não
Episódico Não Não Não
Estático Semi Sim Não
Discreto Sim Sim Não
Agente único Não Não Não

• O tipo de ambiente de tarefa determina em grande parte o projeto do

agente.
• O mundo real é parcialmente observável, estocástico, sequencial,
dinâmico, contínuo, multi-agente.

Notas da aula de Inteligencia Artificial 1

11/14/2021 20
 Programas e funções de agentes

• Um agente é completamente especificado pela função de

agente que mapeia sequências de percepções em acções.
• Uma única função de agente (ou uma única classe de
funções equivalentes) é racional.
• Objetivo: encontrar uma maneira de representar a função
racional do agente concisamente.

11/14/2021 Notas da aula de Inteligencia Artificial 1 21

 Agente Dirigido por Tabela
Função AGENTE-DIRIGIDO-POR-TABELA(percepção) retorna
uma acção
Variáveis estáticas:
• percepções, uma sequência, inicialmente vazia
• tabela, uma tabela de acções, indexada por
sequências de percepções, de início completamente
especificada
anexar percepção ao fim de percepções
acção ← ACESSAR(percepções, tabela)
retornar acção

• Desvantagens:
– Tabela gigante (xadrez = 10150 entradas)
– Tempo longo para construir a tabela
– Não tem autonomia
– Mesmo com aprendizado demoraria muito para aprender a tabela.

11/14/2021 Notas da aula de Inteligencia Artificial 1 22

 Tipos básicos de agentes

• Quatro tipos básicos, do mais simples ao mais geral

– Agentes reativos simples
– Agentes reativos baseados em modelos
– Agentes baseados em objetivos
– Agentes baseados na utilidade

11/14/2021 Notas da aula de Inteligencia Artificial 1 23

 Agente Reativo Simples

11/14/2021 Notas da aula de Inteligencia Artificial 1 24

 Exemplo: Agente Reativo Simples
Função AGENTE-ASPIRADOR-DE-PÓ-REATIVO([posição,estado])
retorna uma acção
se estado = Sujo então retorna Aspirar
senão se posição = A então retorna Direita
senão se posição = B então retorna Esquerda

• Regras condição-acção (regras se-então) fazem uma ligação direta entre a

percepção atual e a ação.
• O agente funciona apenas se o ambiente for completamente observável e
a decisão correta puder ser tomada com base apenas na percepção actual.

11/14/2021 Notas da aula de Inteligencia Artificial 1 25

 Agentes reativos
baseados em modelos

11/14/2021 Notas da aula de Inteligencia Artificial 1 26

 Agentes reativos
baseados em modelo

Função AGENTE-REATIVO-COM-ESTADOS(percepção) retorna uma acção

Variáveis estáticas:
estado, uma descrição do estado atual do mundo
regras, um conjunto de regras condição-acção
acção, a acção mais recente, incialmente nenhuma
estado ← ATUALIZA-ESTADO(estado, acção, percepção)
regra ← REGRA-CORRESPONDENTE(estado, regras)
acção ← ACÇÃO-DA-REGRA[regra]
retornar acção

11/14/2021 Notas da aula de Inteligencia Artificial 1 27

 Agentes reativos
baseados em objetivos

11/14/2021 Notas da aula de Inteligencia Artificial 1 28

 Agentes reativos
baseados na utilidade

11/14/2021 Notas da aula de Inteligencia Artificial 1 29

 Agentes com aprendizagem

11/14/2021 Notas da aula de Inteligencia Artificial 1 30

 TPC

1. Ler o capitulo 2 do livro;

2. Enviar por email os exercicios: 2.1; 2.5; 2.7; 2.10
3. Para além dos exercicios do TPC, resolver os
exercicios 2.2; 2.3 e 2.6; 2.9

11/14/2021 Notas da aula de Inteligencia Artificial 1 31

 FIM!!!

Duvidas e Questões?